人脸识别论文(基于特征脸)陈立

人脸识别论文（基于特征脸）

学生姓名：陈立学号： 20107977 专业年级： 10级计算机科学与技术一班

摘要

生物特征识别技术使用了人体本身所固有的生物特征，与传统的身份识别方法完全不同，具有更高的安全性、可靠性、和有效性，越来越受到人们的重视。人脸识别技术作为生物特征识别技术的重要组成部分，在近三十年里得到了广泛的关注和研究，已经成为计算机视觉、模式识别领域的研究热点。人脸识别在公共安全、证件验证、门禁系统、视频监视等领域中都有着广泛的应用前景。

本文是在人脸数据库的基础上做人脸特征提取和识别研究，主要内容如下：

（1）对人脸识别研究的内容、相关技术、主要实现方法及发展历程作了详细介绍。

（2）介绍主成分分析法(PCA)、K-L变换，并利用特征脸方法实现了人脸识别。

（3）给出了基于matlab环境的编程及实验结果，并对结果进行分析。

关键词：人脸识别，特征脸，K-L变换，主成分分析

第一章人脸识别概述

1.1 生物特征识别技术

生物特征识别技术是通过计算机利用人体所固有的生理特征或行为特征来进行个人身份鉴定。生理特征与生俱来多为先天性的;行为特征则是习惯使然，多是后天性的。我们将生理和行为特征统称为生物特征。常用的生物特征包括:指纹、掌纹、虹膜、视网膜、脸像、声音、笔迹等。

那么，生物特征识别技术是如何进行个人特征识别的呢?

生物鉴别的过程分成三个步骤:生物特征数据采样，生物特征提取和特征匹配。数据采样过程是通过各种传感器对生物特征进行原始数据采集的过程，生物特征提取过程则从传感器采集的数据中抽取出反映个体特性的信息(通常是某种数学上的编码过程)，匹配阶段则是计算生物特征之间的相似性并进行排序和一致性判断的过程。

生物特征识别技术主要有人脸识别、指纹识别、语音识别、虹膜识别等。生物识别技术在上个世纪己经有了一定的发展，其中指纹识别技术己经趋近成熟，但人脸识别技术的研究目前还处于起步阶段。指纹、虹膜、掌纹等识别技术都需要被识别者的配合，有的识别技术还需要添置复杂昂贵的设备。人脸识别则可以用已有的照片或是摄像头远距离捕捉图像，无须特殊的采集设备，系统的成本低。并且自动人脸识别可以在当事人毫无察觉的情况下即完成身份确认识别工作，这对反恐怖活动等有非常重大的意义。由于人脸识别技术具有如此之多的优势，因此它的应用前景非常广阔，已成为最具潜力的生物特征识别技术之一。

1.2 人脸识别技术

所谓人脸识别，是指对输入的人脸图像或者视频，判断其中是否存在人脸，如果存在人脸，则进一步给出每张人脸的位置、大小和各个面部主要器官的位置信息，并且依据这些信息，进一步提取每张人脸蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每张人脸的身份。其研究内容包括以下五个方面：

（1）人脸检测从不同的背景中检测是否存在人脸，并确定其位置、大小、形状、姿态等信息的过程。它关系到后续识别工作能否正确进行，并保障最终识别结果的可靠性。

（2）人脸表征确定表示检测出的人脸和数据库中的已知人脸的描述方式。通常的表示方式包括几何特征（如欧氏距离、曲率、角度等）、代数特征（如矩阵的特征矢量）和固定特征模板等。

（3）人脸鉴别即狭义的人脸识别，就是通常所指的将待识别的人脸与数据库中的已知人脸进行比较，得出相关信息。这一过程的核心是选择适当的人脸表示方式和匹配策略，系统地构造与人脸的表征方式密切相关。

（4）表情/姿态分析即对待识别人脸的表情或姿态进行分析，并对其加以归类。

（5）生理分类对待识别人脸的物理特征进行分类，得出其年龄、性别、种族等相关信息，或从几幅相关的图像中推导出希望得到的人脸图像，如从父母的脸推导出孩子的脸像等。

本论文中的人脸识别主要是指狭义的人脸识别，指将待识别的人脸与数据库中的已知人脸之间进行匹配的人脸鉴别。

人脸识别的目的是让计算机具有通过人脸的特征来鉴别身份的功能。基于人脸特征的身份识别主要设计到复杂场景中的人脸检测及识别技术，是一种依托于图像理解、模式识别及计算机视觉、统计学和人工智能等高技术的研究方向。

1.3 人脸识别的研究背景及意义

在人类社会的发展进入到21世纪的今天，安全问题已经成为困扰人们日常生活的重要问题之一。社会的发展促进了人的流动性，进而也增加了社会的不稳定性，使得安全方面的需求成为21世纪引起广泛关注的问题。不论是享受各项服务如网上冲浪、还是居家、办公等都涉及到安全，以往这些行为基本上是通过符号密码来进行安全保护，但是随着服务数量的不断增加，密码越来越多以致无法全部记住，而且密码有时也会被他人所窃取，各种密码被破解的概率越来越高，因为通常由于记忆的原因，人们经常会选用自己或亲人的生日、家庭地址、电话号码等作为密码并长期使用，这些很容易被一些不法分子获取。可见在现代社会中，身份识别已经成为人们日常生活中

经常遇到的一个基本问题。人们乎时时刻刻都需要鉴别别人的身份和证明自己的身份，以获得对特定资源的使用权或者制权，同时防止这些权限被他人随意的取得。传统的身份识别方法主要基于身份标识物(如证件、卡片)和身份标识知识(如用户名、密码)来识别身份，这在很长一段时期是非常可靠和方便的识别方法，得到了广泛的应用。但是，随着网络、通信、交通等技的飞速发展，人们活动的现实空间和虚拟空间不断扩大，需要身份认证的场合也变得无不在。人们需要携带的身份标识物品越来越多，身份标识知识也变得越来越复杂和冗长在这种情况下，传统身份识别方式的弊端日益彰显。身份标识物品容易被丢失和伪造，份标识知识容易被遗忘、窃取和破解，而身份标识的重要性又使得一旦失去了身份标识会给标识的所有者甚至整个社会带

来重大的甚至难以弥补的损失。在美国，每年约有上百万的福利款被人以假冒的身份领取;每年发生的信用卡、ATM、移动电话和冒领支票等成的损失达数百亿美元[2]。面临着这样的状况，人们对身份识别的安全性、可靠性、准确和实用性提出了更高的要求，必须寻求身份识别的新途径。

于是，近年来人类生物特征越来越广泛地用于身份识别，而且生物特征可以更好的进行安全控制，世界各国政府都在大力推进生物识别技术的发展及应用。与原有的人类身分识别技术(如:个人密码、磁卡、智能卡等)相比，基于人类生物特征的识别技术具有安全可靠、特征唯一、不易伪造、不可窃取等优点。人类本身具有很多相对独特的特征，如DNA、指纹、虹膜、语音、人脸等。基于这些相对独特的人类特征，结合计算机技术，发展起众多的基于人类生物特征的人类身份识别技术，如DNA识别技术、指纹识别技术、虹膜识别技术、语音识别技术、人脸识别技术。

人脸识别和其他的生物识别比起来有以下几个优点:1、其他的生物特征识别方法都需要一些人为的行为配合，而人脸识别不需要。2、人脸识别可应用在远距离监控中。3、针一对现在的第一、二代身份证，每个身份证都有人脸的正面照片，也就是人脸库将是最完善的，包括人最多的，我们可以利用这个库来更直观、更方便的核查该人的身份。4、相对于其他基于生物特征识别技术，人脸识别技术具有特征录入方一便，信息丰富，使用面广等优点，同时人脸识别系统更加直接友好。人脸识别技术作为生物识别技术的一种，以其特有的稳足性、方便性、唯一性等特点被愈来愈多地应用于除安全问题外的各种身份识别领域。

人脸识别技术可应用于以下方面：

1.在安全防范领域中的应用

社会上有许多重要的部门，如军事、金融、保密等部门都需要对出入人员进行身份识别，以防止信息泄漏和不法现象的发生。使用该技术可以方便地进行身份识别，而不使被识别者感到不舒服。

2.在犯罪刑侦领域中的应用

在刑侦工作中，对罪犯的抓捕是至关重要的一环。应用人脸识别技术可以依据犯罪嫌疑人的人脸图像对机场、车站、港口等重要交通场所进行监控，从而大大促进了罪犯抓捕工作的开展。

3.在公共事业领域中的应用。

在现代社会，许多领域都需要对人进行身份验证。如银行、保险、交通等公共事业部门。采用传统的密码、IC卡等手段和技术对人进行身份验证具有安全性差、易遗失、易伪造等缺点。而采用人脸识别技术进行身份验证则能够很好地克服传统身份验证手段和技术的缺点。

此外，人脸识别的研究还具有重要的理论研究价值。由于人脸模式的特殊性，人脸识别的研究涉及图像处理、模式识别、计算机视觉、神经网络、认知科学、生理学、心理学等多个学科领域，因此对人脸识别的深入研究能够推动这些基础研究的发展。

1.4 人脸识别理论的发展

人脸识别的理论发展大致可以分为三个阶段：

第一阶段，以Bertillon,Allen和Parke为代表，主要研究人脸识别所需要的面部特征。在Berliton的系统中，用一个简单的语句与数据库中某一张脸相联系同时与指纹分析相结合，提供了一个较强的识别系统。为了提高脸部识别率，Allen为待识别脸设计了一种有效和逼真的摹写，Parke则利用计算机实现了这一想法，并产生了较高质量的人脸灰度模型。这一阶段工作的特点是识别过程全部依赖于工作人员，显然这不是一种可以完成自动识别的系统。

第二阶段，是人机交互式识别阶段。代表性工作有：Goldstion,Harmon和Lesk 用几何参数来表示人脸正面图像。他们采用21维特征向量来表示人脸面部特征，并设计了这一特征表示法的识别系统。Kaya和Kobayashi则采用了统计识别方法，用欧氏距离来表征人脸特征，如嘴唇和鼻之间的距离、嘴唇的高度等。更进一步地，

T.Kanad设计了一个高速且有一定知识引导的半自动回溯系统，创造性地运用积分投影法，从单幅图像上计算出一组脸部特征参数，再利用模式分类技术与标准人脸相匹配。Kanad的系统实现了快速、实时的处理，是一个很大的进步。相比之下，Baron 所做的工作少为人所知，他先将图像灰度归一，再利用四个掩膜（眼、鼻、嘴以及眉毛以下的整个脸部）表示人脸，然后分别计算四个掩膜与数据库中每幅标准图像的相应掩膜之间的互相关系数，以此作为判别依据。

总的来说，这两个阶段主要是在20世纪60年代到90年代，这段时间的人脸识别一般都需要人的某些先验知识，无法摆脱人的干预。早期的人脸识别方法有两大特点：（1）大多数识别方法都是基于部件的，他们利用人脸的几何特征进行识别，提取的信息是人脸主要器官特征信息及其之间的几何关系。这类方法比较简单，但是很容易丢失人脸的有用信息，从而在视角、表情等变化的情况下，识别能力差。鉴于这种情况，后来出现了性能较优的模板匹配方法，即根据图像库中的人脸模板与待识别人脸模板在灰度上的相似程度来实现人脸识别，这类方法在一定时期内占据主流。

（2）人脸识别研究主要是在较强约束下的人脸图像识别。假设图像背景单一或者无背景，人脸图像已知或者很容易获得，因此对现实场景产生的图像处理效果不佳。

第三阶段，主要是进入20世纪90年代，由于高速度性能计算机的出现和各方面对人脸识别系统的迫切要求，人脸识别的研究重新变的热门起来，人脸识别的方法也有了重大突破，进入了真正的机器自动识别阶段，同时涌现了很多著名的人脸识别算法，例如麻省理工学院米提实验室的Turk和Pentland在1991年提出的“Eigenface（特征脸）”方法，Belhumeur等在1997年提出的Fisherface方法是这个时期的两个重要成果，还有好多方法都是基于这两个方法的深入研究。再有一个重要的方法就是弹性图匹配技术（Elastic Graph Matching,EGM）,还有在此技术上发展的一些技术，如局部特征技术（Lacal Feature Analysis,LFA）、柔性模型（Flexible Models）。现在人脸识别的研究重点主要是对光照、姿态等非理想采集条件和用户不配合的情况下的人脸识别方法的研究，尽力克服光照、姿态的影响。非线性建模方法、统计学习理论、基于Boosting的学习技术、基于三维建模的人脸建模与识别方法成为备受关注的研究趋势[3]

1.5 人脸识别的难点

目前人脸识别的难点主要存在于以下几个方面：

（1）光照变化是影响人脸识别性能的最关键因素，对该问题的解决程度关系着人脸识别实用化进程的成败，在人脸图像预处理或者归一化阶段，尽可能地补偿乃至消除其对识别性能的影响。

（2）成像角度及成像距离等因素的影响，即人脸的姿态的变化，会垂直于图像平面的两个方向的深度旋转，会造成面部信息的部分缺失。

（3）不同年龄的人脸有着较大的差别。身份证是以前照的，在逃犯的照片也是以前的，因此在公安部门的实际应用中，年龄问题是一个最突出的问题。

（4）采集图像的设备较多，主要有扫描仪、数码相机、摄像机等。由于成像的机理不同，形成了同类人脸图像的识别率较高，而不同类间人脸图像识别率较低的情况。随着人脸识别技术的发展，这一问题也将逐步得到解决。

（5）人脸图像的数据量巨大。目前由于计算量的考虑，人脸定位和识别算法研究大多使用尺寸很小的灰度图像。一张64*64像素的256级灰度图像就有4096个数据，每个数据有256种可能的取值。定位和识别算法一般都很复杂，在人脸库较大的情况下，计算量十分大，很多情况下速度令人难以忍受。而灰度数据事实上是丧失了色彩、运动等有用信息的。如果使用全部的有用信息，计算量就更大了。

第二章人脸识别的常用算法与分类器介绍

2.1 人脸识别常用方法

人脸识别的方法主要有：基于几何特征的人脸识别方法、基于模板匹配的人脸识别方法、基于小波特征的人脸识别方法和基于模型的人脸识别方法。其中基于模型的人脸识别方法包括特征脸法(Eigneafec)、神经网络法(NN)、隐马尔可夫模型方法(HMM)等方法。

（1）基于面部几何特征的方法

这个方法在时间上来说是最早提出的人脸识别方法之一，其特征提取以人脸面部特征点的形状和几何关系为基础的。对于不同的人来说有着不同的人脸轮廓、大小、相对位置的分布也是不相同的，所以说用这种方法来进行人脸识别还是有一定依据的。这种方法的做法是，提取眉毛、眼睛、鼻子和嘴巴这几个特征点，计算出这几个特征点的大小，以及他们之间的几何距离，来进行人脸识别，几何距离一般包括特征点之间的距离、他们之间的夹角等。特征提取后选取最近邻分类器，相异度测试选用欧式距离。基于几何特征的人脸识别算法的优点是方法简单，计算速度快。但它识别人脸就靠几个特征点的大小和距离，以及特征点之间的夹角，这样的信息是远远不够的，对于一个稍微大一点的人脸库识别率不高，还有这种方法对于人脸表情变化时没有很好的鲁棒性。但是这种方法还是有一定潜力的，好比一个大型的人脸库，进行人脸比对前可以使用基于面部几何特征的方法对训练样本进行粗分类，这样可以大大降低人脸识别时间。

（2）基于模板匹配的方法

模板匹配方法也是模式识别中的一个比较传统的方法。把模板匹配方法用到人脸识别中要以Poggio和Bruneili所提出的基于局部特征的模板匹配算法为代表。他们首先利用积分投影的方法确定面部特征点，提取局部特征的模板，然后进行局部模板匹配，计算相关系数进行分类，Poggio和Brulleili比较了基于几何特征和基于模板匹配的人脸识别方法。他们的实验结果表明，在人脸尺度、光照、姿态稳定的情况下，基于模板匹配的人脸识别方法要优于基于几何特征的人脸识别方法。通过大量的实验表

明，基于模板匹配的人脸识别方法对光照、旋转、人脸表情比较敏感，仅当这些因素比较稳定时，才能获得比较好的效果。这种方法的计算量要比基于面部几何特征的方法要大。

（3）基于小波特征的方法

小波变换是国际上公认的最新频率分析工具，由于其“自适应性’，和“数学显微镜性质”而成为许多学科共同关注的焦点，在信号处理中起着至关重要的作用。目前小波技术在验证的特征撮上用得较多。小波变换采用以高斯函数的二阶导数作为小波基的小波变换技术来进行拐点提取，然后以该方法为基础，进行不同图像之间拐点序列的匹配;最后再利用提敢的拐点来对图像进行分段和段一段对应处理。由于使用离散小波变换来分解图像的参数特征，特征提取用到自适应算法，匹配则选择动态规划方法，初步试验取得较好的效果。

(4)基于特征脸的方法

特征脸方法是从主成成分分析(PCA)导出的一种人脸识别和描述技术。它将包含人脸的图像区域看作一随机向量，采用K-L变换得到正交K-L基，对应其中较大特征值的基具有与人脸相似的形状，因此又被称为特征脸。利用这些基的线性组合可以描述、表达和逼近人脸图像，所以可进行人脸识别与合成。识别过程就是将人脸图像映射到由特征脸组成的子空间上，并比较其在特征脸空间中的位置，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是选择各种距离函数来进行度量分类实现人脸识别。

（5）神经网络法

基于神经网络的人脸识别方法就是利用神经网络的学习能力和分类能力对人脸

进行特征提取与识别。目前常用的人工神经网络方法是BP（Back-Propagation）神经网络、自组织神经网络、径向基函数神经网络。径向基函数神经网络与BP网络一样都是多层前向网络，它以径向基函数作为基准，以高斯函数作为隐含层的激励函数。这种网络的学习速率快、函数逼近、模式识别等能力均优于BP神经网络，并广泛应用于模式识别、图像处理等方面。但是这种网络比BP网络所用的神经元数目要多得多，使它的应用受到了一定的限制。

（6）隐马尔可夫模型方法(HMM)

HMM作为信号的一种统计模型，目前广泛应用于模式识别、图像处理的各个领域。HMM是一个由两种机理构成的随机过程:一个机理是内在的有限状态

Markov链，体现为用具有限状态数的Markov链来模拟签名信号统计特征变化的隐含的随机过程，另一个是一系列随机函数所组成的集合，体现为与Markov链的每一个状态相关联的观测序列的随机过程。设有观察序列Q=Q1Q2…Qn和状态集

=S{s1，s2,…sn}，一个有n个状态的隐马尔可夫模型λ可以表示(π，A，B)，其中π为初始状态概率矢量;A={aij}为状态转移概率矩阵，其中

aij=P{qt+1=Sj|qt=St}，1<=i，j<=N;B={bj}Qt)}为观察符号概率分布，若B有M个观察值{v1，v2…mv}，则bj(Qt)=P{qt=vk|qt=sj，1<=j<=N，l<=k<=M}。

HMM的使用涉及到训练和分类两个阶段，训练阶段包括指定一个HMM的隐藏状态数，并且优化相应的状态转换和输出概率以便于产生的输出符号与在特定的运动类别之内所观察到的图像相匹配。匹配阶段涉及到一个特定的HMM可能产生相应于所观察图像特征的测试符号序列的概率计算。利用H顾进行验证同样由两个阶段组成，即利用训练样本估计MHM模型参数和利用HMM评价测试。这两个过程目前都有成熟的算法，HMM参数的估计可用Baum-welch参数估计算法或Segmental K-means算法;对测试样本的评价，可以用Forward-Backward迭代算法估计签名满足模型的概率，或用viterbi最优状态搜索算法计算过程经过的最优状态。因此，利用HMM模型的关键在于HMM类型的选择和一些参数的选择以及阀值的估计[4]。

2.2 分类器

在人脸识别过程中，通过提取特征模块，得到表示人脸图像的特征向量，此时需要利用分类器根据提取的特征向量进行分类处理，以确定当前人脸的身份。在这个过程中，分类器起着决策机制的作用，对最终的判别非常关键，分类器性能的优劣也将直接关系到人脸识别结果的好坏。常用的分类器有以下几种：

(1)最小距离分类器(NC)

最小距离分类器相似度量是以检测样本到类中心的距离大小为判据。

(2) 最近邻分类器（NN）

最近邻法是将所有训练样本都作为代表点，因此在分类时需

要计算待识别样本x到所有训练样本的距离，与x最近的训练样本所属于的类别即为待识别样本x所属类别。假定有C个类别ω1、ω、ωn的模式识别问题，每类有标明类别

的

样本Ni个，i=1，2，…，C，我们可以规定以类的判别函数为

，k=1,2,…,N i . (2.2.1) 其中x k i的角标i表示以类，k表示ωi类Ni个样本的第k个，决策规则可以写

为：

若,i=1,2,...,C， (2.2.2)

则决策x∈ωi。

(3)三阶近邻法

三阶近邻法是计算像素的差值的绝对值。距离公式可表示为：

L(x,y)=lx

i -y

i

l (2.2.3)

由式(2.2.3)计算所得出的具有最小值的图像并不一定属于同—类别。三阶近邻

法计算出与测试图像距离最小的三幅图像，计算这三幅图像所属的类分别计为

classl，class2，class3，若classl和class2且class2和class3不属于同一类，

则测试图像属于classl；若classl和class2相同，则测试图像属于classl，而class2

与测试图像也是相似的；若class2和class3属于同一类，则测试图像属于class2，

而class3与测试图像也是相似的，但classl虽然与测试图像距离最近却不属于同一类，可能是由测试图像的姿态和饰物引起的

（4）)贝叶斯分类器

如果知道各类的先验分布和条件分布，就可以采用最大后验估计(MAP)的方法进

行分类。在人脸识别中，有时假定人脸服从高斯分布，能够得到不错的结果。

（5）支撑向量机(SVM)是基于结构风险最小化得出的。尤其在小样本情况下，既

降低了训练集的错分风险，又降低了未知人脸(如检测集)的错分风险。在人脸识别中

已逐渐得到应用。

（6）神经网络分类器(NNC)，采用神经网络作为分类器是很自然的。一般一个3

层网络对应模式识别中图像输入、特征提取、分类3部分。通常的NNC有多层感知机(MLP)模型、BP网络、径向基函数网络等。SVM也借鉴了神经网络的思想。g

第三章人脸识别系统的设计及实现

3.1 人脸识别流程

完成人脸识别的工作需要一系列的步骤，它们结合起来构成一个完整的流程。由于研究人员来自不同的学科、具有不同的背脊，而且不同的人脸识别应用中对识别的目标也不同，所以人脸识别的流程并不统一一个比较通用的人脸识别流程如下图所示：

输入图像结果输出

图1 人脸识别流程图

其主要步骤包括：人脸检测/跟踪（face detection/tracking）,特征提取（face extraction）,特征降维（face dimensionality reduction）,匹配识别（matching and classification）.它们之间基本上是串行的关系[3]。

（1）人脸检测/跟踪。人脸检测是完成人脸识别工作的自动系统的第一个步骤。该步骤的目的是在输入的图像中寻找人脸区域。具体来说：给定意一幅任图像，人脸检测的目的是确定是否图像州有人脸存在，如果存在，给出每个人脸的具体位置和范围。实际应用中人脸图像的采集或获取常在非受控的条件下进行，这样所得到的图像中的人脸在尺寸、朝向、明暗、遮挡、分辨率等方面都有很多不同，使同一的人脸出现各种变形，并有可能导致各种误识、漏识等失败的情况。为校正人脸在尺度、光照和旋转等方面的变化，常需采用一些包括几何归一化（空间尺度归一化）和光照归一化（灰度幅值归一化）等手段来调整不同的人脸图像，以利于用统一算法进行识别。

（2）特征提取。为区分不同的人脸，需提取各种人脸的独特性质。也就是要从人脸图像中映射提取一组反映人脸特征的数值表示样本。这里首先需要采取某种表示方式来表示检测出的人脸和数据库中的已知人脸。通常的表示法包括几何特征（如欧氏距离、曲率、角度）、代数特征（如矩阵或特征向量）、固定特征模板、特征脸等。

（3）特征降维。人脸是一个非刚性的自然物体（柔性体），从人脸图像中可提

取很多不同特征，所以表征人脸的原始特征对应高维空间中的数据（对一幅M*N的图像，空间维数可达M*N）。直接利用这样高维的数据进行识别除需要很多的匹配计算量外，由于很难对各高维数据的描述能力做有效的判断，故还不能保证基于这么多数据进行的识别结果的正确性。在特征提取后，需采用紧凑的人脸表征方式，将原始特征进行筛选组合，集中信息，降低维数，使这些低维空间的有效性的到提高，以有利于接下来的匹配分类。

（4）匹配识别。在特征提取的基础上，选择使当的匹配策略，可将待识别的人脸与数据库中的已知人脸进行匹配比较，建立它们的相关关系，并输出所作出的判断决策/决定（识别结果）。与人脸检测不同，这里利用的主要是人脸个体差异的信息。有两种识别目的和情况需要区别：一种是对人脸图像的验证（verification）,即要确认输入人脸图像中的人是否在数据库中，属于有监督的识别；另一种是对人脸图像的辨识（identification），即要确认输入图像中的人的身份，属于无监督的识别。

3.2 离线学习和在线匹配

人脸识别系统的构建及使用常由两个过程来完成，即离线学习和在线匹配。离线学习是利用作为训练样本的人脸图像，从中提取公共的特征，建立训练样本的特征子空间，使系统具有描述已有类别图像的能力，为在线匹配打下基础。在线匹配是要从输入的待识别人脸图像中提取相应的特征，将这些特征与离线学习的特征进行匹配，从而可借此将输入图像和训练图像建立联系，并将输入图像归入到某个训练图像类别中，如下图：

图2 即离线学习和在线匹配流程图本实验即采用的这种方案。

第四章 KL 变换和PCA 人脸识别方法

4.1 简介

我们希望将图像原特征做某种正交变换，获得的数据都是原数据的线性组合，从新数据中选出少数几个，使其尽可能多地反映各类模式之间的差异，又尽可能相互独立，一个常用的方法就是主成分分析(PCA)。KL(Karhunen-Loeve )变换或主分量分析 (Principal Component Analysis ，PCA )，这是一种特殊的正交变换，它是重建均方误差最小意义下的最佳变换，起到减少相关性，突出差异性的效果，在图像编码上能去除冗余信息，也常用于一维和二维信号的数据压缩;这种变换采用主要特征对应的特征向量构成变换矩阵，保留原模式样本中方差最大的数据分量，在对高维图像编码时起到了降维作用。由于KL 变换和PCA 去相关性和降维作用，Mathew

A.Turk 和P.Pentland 首先将主成分分析运用到人脸识别中来。通过K_L 变换得到高维人脸空间的投影矩阵，人脸图像都可以由这些矩阵的线性组合来表示，正是因为这些矩阵呈现人脸的形状，所以将这种人脸识别称为特征脸(Eigenface )方法[5]。

4.2 KL 变换和PCA 分析

对给定的信号x(n)，如果它的各个分量之间完全不相关，那么表示该数据中没有冗余;若x(n)中有相关成分，通过去除其相关性则可达到数据压缩的目的。主成分分析方法(PCA)基本思想是提取出空间原始数据中的主要特征(主元)，减少数据冗余，使得数据在一个低维的特征空间被处理，同时保持原始数据的绝大部分的有用信息，从而解决数据空间维数过高的瓶颈问题。

一个宽平稳的实随机向量x(n)=[[x(0)，x(1)，…，x(N-1)]T

，其协方差矩阵C x 定义为： C x =E{(x-μx ) (x-μx )T }= 0,00,11,01,1N N N N C C C C ----?? ? ? ???

式中E {·}代表求均值运算，μ=E{x}是信号x 的均值向量，C x 的元素

C x （i ，j ）=E{x(i)-μx )( x(j)-μx )}=C x (j,i)

即协方差阵是实对称的。显然，矩阵C x 体现了信号向量x 的各分量之间的相关性。

若x 的各分量互不相关，那么C x 中除对角线以外的元素皆为零。

KL 变换的思路是寻求正交矩阵A ，使得A 对x 的变换y 的协方差阵C x 为对角矩阵，

其步骤如下:

先由λ的N 阶多项式|λI-C x |=0,求矩阵C x 的特征值λ0，λ1，…λN-1，以及N 个特征向量A 0，A 1，…A N-1。然后将A 0，A 1，…A N-1归一化，即令=1，i=0,1，2…，N-1。由归一化的向量成A 0，A 1，…A N-1就构成归一化正交矩阵A ，即

A=[ A 0，A 1，…A N-1]T

最后由y-Ax 实现对信号x 的KL 变换。显然，矩阵A 各向量之间相互独立，体现了去相关性，在图像编码中去除了冗余。

4.2.1 KL 变换原理

假设X 为n 维的随机变量，X 可以用n 个基向量的加权和来表示:

φi (4.2.1.1) 式中:a i 为加权系数，Фi 为基向量，此式也可以用矩阵的形式表示:

X=(φ1φ2…φn )(a 1a 2…a n )T (4.2.1.2) 其中 Ф=(φ1φ2…φn ), α=(a 1a 2…a n )T

我们取基向量为正交向量，Ф由正交向量构成，所以Ф是正交矩阵，即ФT Ф=I 将公式(4.2.1.1)两边左乘ФT,并考虑到Ф为正交矩阵，得α=ФT X 即:αi =ФT i X 。

我们希望向量α的各个向量间互不相关。那么如何保证α的各个分量互不相关呢?这取决于选取什么样的正交向量集。设随即向量的总体自相关矩阵为: R=E[X T X] (4.2.1.3) 将公式(4.2.1.1)代入上式(4.2.1.3)，得

1

n

i

i X a ==∑

R=E[X T X]=E[Фα αT ФT ]= ФE[ααT ]ФT (4.2.1.4)

我们要求向量α的各个分量间互不相关，即满足下列关系:

(4.2.1.5)

写成矩阵的形式 则：R=Ф△ФT (4.2.1.6) 将上式两边右乘上Ф，得: RФ=Ф△ФT Ф (4.2.1.7) 因为Ф是正交矩阵，所以得: R Ф=Ф△ (4.2.1.8) RФj =Фj △j (j=1,2,3,…n) (4.2.1.9)

可以看出，λi 是x 的自相关矩阵R 的特征值，。Фj 是对应特征向量。因为R 是实

对称矩阵，其不同本征值对应的特征向量应正交。

综上所述，KL 展开式的系数可用下列步骤求出:

步骤一:求随即向量x 的自相关矩阵R=E[X T X]，由于没有类别信息的样本集的均值向量，常常没有意义，所以也可以把数据的协方差矩阵作为KL 坐标系的产生矩阵，这里召是总体均值向量。

步骤二:求出自相关矩阵或协方差矩阵R 的本征值λj 和本征向量Фj 。其中j=1，

2…n 。同时本征向量组成的矩阵为Фj 。j=1，2…n 。

步骤三:展开式系数即为α=ФT X 。

K-L 变换的实质是建立了一个新的坐标系，将一个物体主轴沿特征矢量对齐的旋转变换，这个变换解除了原有数据向量的各个分量之间相关性，从而有可能去掉那些带有较少信息的坐标系以达到降低特征空间维数的目的。

4.2.2 主成分分析法 （PCA ）

主成分分析法(PCA)在人脸识别领域成功应用的一个重要理论基础是较好的解决了K.L 变换后协方差矩阵的特征向量的求解问题。人脸识别是一个典型的高维小样本1n λλ?? ?=Λ

? ???

问题，即人脸图像向量的维数一般较高，比如，实验用的ORL 人脸库的图像大小为112x92的人脸图像，其对应的图像向量特征空间高达10304维，在如此高维的图像空间内，按照通常的算法，计算样本的协方差矩阵的特征向量是异常耗时的。同时，在人脸识别问题中，由于客观条件的限制，训练样本的数目一般较小，通常，训练样本的总数远远小于人脸图像向量的维数。针对高维小样本的情况，求解特征向量所采取算法的基本思想是，将高维的问题转化为低维的问题加以解决。

主成分分析法(PCA)是模式识别判别分析中最常用的一种线性映射方法，该方法是根据样本点在多维模式空间的位置分布，以样本点在空间中变化最大方向，即方差最大的方向，作为判别矢量来实现数据的特征提取与数据压缩。主成分分析法的原理如下:

已知n 维空间的随机向量用φ(φ∈R n )表示，利用公式将φ进行零均值处理，x=φ-E(φ)，则E(x)=0。如果对x 用一组完备正交基μj ，j 二1，2，…n 展开，可得

(4.2.2.1)

假设只用前k 项进行重构，则

(4.2.2.2)

其均方误差为:ξ=E[(x-x rec )T (x-x rec )]

(4.2.2.3) 因为

且αj =μj T x 所以 ξ=E 1n T T j j J k u xx u =+??????∑=1n T j j J k u Cu =+∑

(4.2.2.4) 其中C=E[xx T ]=E[(φ-E[φ]) (φ-E[φ])T ]是x 和φ的总体协方差矩阵。 为了使重构的均方误差最小，并满足正交条件的约束，采用拉格朗日乘子法，将函数

1k i j

i x a u ==∑1k rec j j j x a u ==∑1n T j j

J k u Cu =+∑

J(u j )= -

对μj (j=1.2…n)求导，得

(C-λj I)μJ =0,J=k+1,k+2…,n (4.2.2.5) 令k=1，此时ul ，u2，…，un 为总体协方差矩阵C 的本征向量，λ1, λ2…λn 分别是它们对应的特征值，这些特征向量经过正交化处理所形成的空间称为特征空间。将特征向量ul ，u2，…，un 按照它们的特征值进行降序排列λ1≥λ2≥λ3…≥λn 。，则得到结论:

对于任一随机变量x ，如果采用总体协方差矩阵C 的前k 个最大非0特征值所对应的特征向量作为坐标轴展开，可在相等截断长度下获得所有正交展开中最小的截断均方误差ξmin

(4.2.2.6)

下面我们将主成分分析法用于人脸识别[6]。

假设训练人脸图像的个数为M ，将每一副图像按列串相接的方式排成长度为N 的向量Γ1，Γ2，Γ3…, ΓM .其均值向量(即平均脸)为

Ψ=1/M

1n i j k =+Γ∑ (4.2.2.7)

则每个图像相对于均值图像的差为ΦI -Ψ(i=1，2，…，M)。令矩阵A=[Φ1, Φ2…，Φm ],则散布矩阵∑可以表示为:

∑AA T =1/M 1n T i i j k =+ΦΦ∑ (4.2.2.8) 求出∑的特征值λk 和特征矢量μk ,由于μk 看起来像一张人脸，因此μk 常称作特

征脸向量，用特征向量构成的图像称为特征脸图像。由于∑是NxN 大小的矩阵，而且N 的值较大，一般远大于训练样本的个数M ，因此为了降低计算量，通常不直接求∑的特征向量μk ，而是先计算大小为MxM 的矩阵A T A 的特征向量νk ，根据代数理论，有

(4.2.2.9)

对于这些相互正交的特征向量，根据其对应的特征值的大小按照从大到小的顺序()

11n T j j j J k u u λ=+-∑min 1n i j k ξλ=+=

∑k 11n k j k u A ν=+=∑

NMF综述报告

人脸识别的非负矩阵分解(NMF)方法文献综述 摘要：人类对整体的感知是基于对部分的感知，NMF（非负矩阵分解，Non-negative matrix factorization）的思想正是源于此。通过对矩阵分解因子加入了非负性约束，使得对高维非负原始数据矩阵的分解结果不存在负值，且具有一定的稀疏性，因而得到了相对低维、纯加性、拥有一定稀疏特性的分解结果。与PCA（主成分分析，principal components analysis）等传统人脸识别方法相比，NMF的基图像就是人脸的各个局部特征，并且通过对经典算法的一系列优化，改进的NMF算法的识别率和鲁棒性较传统方法有着显著优势。此外，NMF在机器学习、语义理解等领域也有着重要应用。 关键词：非负矩阵分解（NMF）稀疏性改进的NMF 语义理解 一、引言 在实际中的许多数据都具有非负性，而现实中对数据的处理又要求数据的低秩性经典的数据处理方法一般不能够确保非负性的要求，如何找到一个非负的低秩矩阵来近似原数据矩阵成为一个关键问题。在这样的背景下，NMF方法应运而生。 NMF方法思想最早可以追溯到由Paatero和Tapper在1994年提出的正矩阵分解（Positive Matrix Factorization,PMF）[1]；此后1999年，Lee和Seung提出了一个以广义KL散度为优化目标函数的基本NMF模型算法，并将其应用于人脸图像表示[2]；2001年，Lee和Seung通过对基本NMF算法进行深入研究，又提出了两个经典的NMF算法，即基于欧氏距离测度的乘性迭代算法和基于广义KL散度的乘性迭代算法，并给出了收敛性证明[3]，这两种算法称为NMF方法的基准算法，广泛应用于各个领域。 但是在实际应用中，由于经典的基准NMF算法存在收敛速度较慢，未利用统计特征，对光线、遮挡等敏感，以及无法进行增量学习等问题，各种改进的NMF算法被提出。其中包括Lin提出的基于投影梯度（Projected Gradient，PG）的NMF方法[3]，该方法有着很高的分解精度；Berry提出的基于投影非负最小二乘（Projected Non-negative Least Square，PNLS）的NMF方法[5]，通过这种方法得到的基矩阵的稀疏性、正交性叫基准NMF方法都更好；此外还有牛顿类方法[6]和基于有效集[7]的NMF方法等。 二、NMF的基准算法 1.NMF模型 给定一个非负矩阵(即)，和一个正整数，求未知非负矩阵和，使得 用表示逼近误差矩阵。可以用下图表示该过程：

人脸识别技术的应用背景及研究现状

1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较

基于matlab人脸识别技术 开题报告

毕业设计（论文）开题报告 毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2500字以上的文献综述，文后应列出所查阅的文献资料。 基于matlab人脸识别技术的实现 文献综述 一、MATLAB概述 MATLAB是矩阵实验室（Matrix Laboratory）的简称，是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。MATLAB主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。而在本文中主要用到的功能是图像处理功能。 二、BP神经网络概述 人工神经网络（Artificial Neural Net works，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。 人工神经网络发展的主要历程有:20世纪50年代末,Rosenblatt提出的感知器模型和Widrow提出的自适应线性元件,出现了简单的线性分类器;1986年,Rumelhart和Mcllelland 提出了层网络“误差反向传播算法(BP)”,使有导师学习多层感知器网络(ML PN)模式分类器走向实用化,在此基础上又派生出若干前向网络,如径向基函数网络( RBFN)和函数链网络等;1982年,美国加州工学院的物理学家Hopfield提出的一种用于联想记忆和优化计算的反馈网络模型,由于引进了“能量函数” 的概念,使网络走向具体电路有了保证;20世纪70年代,Watanabe 提出了使用模式子空间的概念来设计不同类别对应的子空间,由不同类别聚类的子空间实现模式识别; Kohonen提出的自组织特征映射网络模型等都为神经网络模式识别理论提供了进一步的根据。 构成人工神经网络的三个基本要素是:神经元、络拓扑结构和网络的训练(学习)方法。神经元(节点)的作用是把若干输入加权求和,并对这种加权和进行非线性处理后输出。神经元的选择一般有以下特点:每个神经元都具有多个输入、个输出,具有闭值,采用非线性函数。 1、神经元

人脸识别技术的应用背景及研究现状

人脸识别技术的应用背景及研究现状 1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面：

人脸识别的技术有哪些你了解吗

人脸识别的技术有哪些你了解吗？ 西安鉴真人脸识别公司告诉你在现如今人脸识别是一种新兴行业。人脸识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。西安鉴真人脸识别公司告诉你人脸识别系统广泛采用区域特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。 人脸识别系统具有广泛的应用：人脸识别出入管理系统、人脸识别门禁考勤系统、人脸识别监控管理、人脸识别电脑安全防范、人脸识别照片搜索、人脸识别来访登记、人脸识别ATM机智能视频报警系统、人脸识别监狱智能报警系统、人脸识别RFID智能通关系统、人脸识别公安罪犯追逃智能报警系统等等。西安鉴真人脸识别公司告诉你人脸识别技术包含的三个部分是： (1)人脸检测 面貌检测是指在动态的场景与复杂的背景中判断是否存在面像，并分离出这种面像。一般有下列几种方法： ①参考模板法：首先设计一个或数个标准人脸的模板，然后计算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判断是否存在人脸； ②人脸规则法：由于人脸具有一定的结构分布特征，所谓人脸规则的方法即提取这些特征生成相应的规则以判断测试样品是否包含人脸； ③样品学习法：这种方法即采用模式识别中人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器； ④肤色模型法：这种方法是依据面貌肤色在色彩空间中分布相对集中的规律来进行检测。 ⑤特征子脸法：这种方法是将所有面像集合视为一个面像子空间，并基于检测样品与其在子孔间的投影之间的距离判断是否存在面像。 值得提出的是，上述5种方法在实际检测系统中也可综合采用。

人脸识别文献综述

文献综述 1 引言 在计算机视觉和模式识别领域，人脸识别技术（Face Recognition Technology，简称FRT）是极具挑战性的课题之一。近年来，随着相关技术的飞速发展和实际需求的日益增长，它已逐渐引起越来越多研究人员的关注。人脸识别在许多领域有实际的和潜在的应用，在诸如证件检验、银行系统、军队安全、安全检查等方面都有相当广阔的应用前景。人脸识别技术用于司法领域，作为辅助手段，进行身份验证，罪犯识别等;用于商业领域，如银行信用卡的身份识别、安全识别系统等等。正是由于人脸识别有着广阔的应用前景，它才越来越成为当前模式识别和人工智能领域的一个研究热点。 虽然人类能够毫不费力的识别出人脸及其表情，但是人脸的机器自动识别仍然是一个高难度的课题。它牵涉到模式识别、图像处理及生理、心理等方面的诸多知识。与指纹、视网膜、虹膜、基因、声音等其他人体生物特征识别系统相比，人脸识别系统更加友好、直接，使用者也没有心理障碍。并且通过人脸的表情/姿态分析，还能获得其他识别系统难以获得的一些信息。 自动人脸识别可以表述为：对给定场景的静态或视频序列图像，利用人脸数据库验证、比对或指认校验场景中存在的人像，同时可以利用其他的间接信息，比如人种、年龄、性别、面部表情、语音等，以减小搜索范围提高识别效率。自上世纪90年代以来，人脸识别研究得到了长足发展，国内外许多知名的理工大学及TT公司都成立了专门的人脸识别研究组，相关的研究综述见文献[1-3]。 本文对近年来自动人脸识别研究进行了综述，分别从人脸识别涉及的理论，人脸检测与定位相关算法及人脸识别核心算法等方面进行了分类整理，并对具有典型意义的方法进行了较为详尽的分析对比。此外，本文还分析介绍了当前人脸识别的优势与困难。 2 人脸识别相关理论 图像是人们出生以来体验最丰富最重要的部分，图像可以以各种各样的形式出现，我们只有意识到不同种类图像的区别，才能更好的理解图像。要建立一套完整的人脸识别系统(Face Recognetion System，简称FRS)，必然要综合运用以下几大学科领域的知识： 2.1 数字图像处理技术 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机

人脸识别技术综述

人脸识别研究综述 摘要：论文首先介绍了人脸识别技术概念与发展历史，解释人脸识别技术的过程与优缺点；随后对近几年人脸识别技术的研究情况与一些经典的方法进行详细的阐述，最后提出人脸识别技术在生活中的应用与展望。 关键词：人脸识别研究现状应用与展望 一、概念 人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流。首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 二、发展历史 人脸识别的研究历史比较悠久。高尔顿(Galton)早在1888 年和1910 年就分别在《Nature》杂志发表了两篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别能力进行了分析。但当时还不可能涉及到人脸的自动识别问题。最早的AFR1的研究论文见于1965 年陈（Chan）和布莱索（Bledsoe）在Panoramic Research Inc.发表的技术报告，至今已有四十年的历史。近年来，人脸识别研究得到了诸多研究人员的青睐，涌现出了诸多技术方法。 三、过程与优缺点 人脸的识别过程： (1)首先建立人脸的面像档案。即用摄像机采集单位人员的人脸的面像文件或取他们的照片形成面像文件，并将这些面像文件生成面纹(Faceprint)编码贮存起来。 (2)获取当前的人体面像。即用摄像机捕捉的当前出入人员的面像，或取照片输入，并将当前的面像文件生成面纹编码。 (3)用当前的面纹编码与档案库存的比对。即将当前的面像的面纹编码与档案库

人脸识别系统的主要组成部分

现在人脸识别系统运用到很多的领域，不断地完善、改进，但不管如何，其主要的组成部分还是不变的。接下来，就讨论一下主要组成部分都有哪些吧。 一、人脸图像采集及检测 人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。 人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。 二、人脸图像预处理 人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。

三、人脸图像特征提取 人脸图像特征提取：人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。 四、人脸图像匹配与识别 人脸图像匹配与识别：提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。 以上就是主要的组成部分，感兴趣的可以寻找官网进行了解学习。 浙江大华技术股份有限公司，是全球先进的以视频为核心的智慧物联解决方案提供商和运营服务商，以技术创新为基础，提供端到端的视频监控解决方案、系统及服务，为城市运营、企业管理、个人消费者生活创造价值。

基于matlab的人脸识别算法(PCA)

3.基于matlab的人脸识别算法 3.1 问题描述 对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅 N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。不管子空间的具体形式如何，这种方法用于图像识别的基本思想都是一样的，首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是各种距离度量。因此，本次试题采用PCA算法并利用GUI实现。 对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性, 一时难以综合。这时就需要借助主成分分析来概括诸多信息的主要方面。我们希望有一个或几个较好的综合指标来概括信息，而且希望综合指标互相独立地各代表某一方面的性质。 任何一个度量指标的好坏除了可靠、真实之外，还必须能充分反映个体间的变异。如果有一项指标，不同个体的取值都大同小异，那么该指标不能用来区分不同的个体。由这一点来看，一项指标在个体间的变异越大越好。因此我们把“变异大”作为“好”的标准来寻求综合指标。3.1.1 主成分的一般定义 设有随机变量X1，X2，…，Xp，其样本均数记为，，…，，样本标准差记为S1，S2，…，Sp。首先作标准化变换，我们有如下的定义： (1) 若C1=a11x1+a12x2+ … +a1pxp，…，且使 Var(C1)最大，则称C1为第一主成分； (2) 若C2=a21x1+a22x2+…+a2pxp，…，(a21，a22，…，a2p)垂直于(a11，a12，…，a1p)，且使Var(C2)最大，则称C2为第二主成分； (3) 类似地，可有第三、四、五…主成分，至多有p个。 3.1.2 主成分的性质 主成分C1，C2，…，Cp具有如下几个性质： （1) 主成分间互不相关，即对任意i和j，Ci 和Cj的相关系数 Corr(Ci，Cj)=0 i j (2) 组合系数(ai1，ai2，…，aip)构成的向量为单位向量， (3) 各主成分的方差是依次递减的，即 Var(C1)≥Var(C2)≥…≥Var(Cp)

人脸识别技术

人脸识别技术 人脸识别 人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。 人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提，与其它类型的生物识别比较人脸识别具有如下特点： 非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”； 非接触性：用户不需要和设备直接接触就能获取人脸图像； 并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别； 除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。 人脸识别技术流程 人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。 人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。 人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。 主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。 人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。 人脸图像预处理：对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处

人脸识别主要算法原理

人脸识别主要算法原理 主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧 面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。

可变形模板法可以视为几何特征方法的一种改进，其基本思想是: 设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的 基础。 3. 特征脸方法（Eigenface或PCA）

模式识别文献综述报告

指导老师：马丽 学号：700 班级： 075111 姓名：刘建 成绩： 目录 ............................................................ 一、报告内容要点............................................................ 二、《应用主成分分解(PCA)法的图像融合技术》............................................................ 三、《基于类内加权平均值的模块 PCA 算法》............................................................

四、《PCA-LDA 算法在性别鉴别中的应用》 ............................................................ 五、《一种面向数据学习的快速PCA算法》 ............................................................ 六、《Theory of fractional covariance matrix and its applications in PCA and 2D-PCA》 ............................................................ 七、课程心得体会 ............................................................ 八、参考文献 ............................................................ 一、报告内容要点 ①每篇论文主要使用什么算法实现什么 ②论文有没有对算法做出改进（为什么改进，原算法存在什么问题，改进方法是什么） ③论文中做了什么对比试验，实验结论是什么？可以加入自己的分析和想法，例如这篇论文还存在什么问题或者缺点，这篇论文所作出的改进策略是否好，你自己对算法有没有什么改进的想法？ 二、《应用主成分分解(PCA)法的图像融合技术》 第一篇《应用主成分分解(PCA)法的图像融合技术》，作者主要是实现用PCA可以提取图像数据中主要成分这一特点，从元图像获得协方差矩阵的特征值和特征向量，据此确定图像融合算法中的加权系数和最终融合图像。 作者在图像融合的算法上进行改进，用PCA获得待融合的每幅图像的加权系数Wi。是这样实现的：计算待融合的i幅图像数据矩阵的协方差矩阵，从中获

人脸识别技术的弊端

三个方面的缺点： 1.识别精度低 2.自然性、不易察觉以及非接触性也致使人脸识别技术在一些特定领域面临环境复杂性。 便于收集的好处也带来了图像清晰度不高，角度不好等问题 3.人脸识别不只是隐私问题信息泄露面临更大安全隐患 人脸识别的一个缺点也在于信息的可靠性及稳定性较弱。 人脸所蕴含的信息量较指纹、虹膜等生物特征相比是比较少的，其变化的复杂性不够。例如，若要两个人的指纹或者虹膜基本相同，大概需要好几十乃至上百个比特(信息量的度量单位)达到完全重合才可以。但如果是人脸的话，十几个比特达到重合就可以了。在全世界，可以找到很多具有相似性的面孔。所以说，人脸的辨别性不是很高，它并没有那么独一无二。 另外，人自身内在的变化以及外在环境的变化都会影响采集时人脸的信息稳定度。相较于之前的人脸识别技术，目前的人脸识别技术有所提高，但是具体应用时还是不能达到完美状态，如今，保守估计，人脸识别技术准确率能达到99%，但没有达到100%。同时，对于双胞胎，由于相似特征太多，人脸识别基本不可能完成。比如在ATM机上使用人脸识别技术，是在使用密码信息的基础上辅助的认证功能。如果脱离了密码输入，完全使用人脸识别技术进行存取款操作，是不太可能的。 例如，2018年7月，美国公民自由联盟（ACLU）对美国国会议员的照片应用了亚马逊算法，该算法确定其中28人是因犯罪而被捕的人。 如果说双胞胎根本不应该用此技术来进行分辨的情况下，如何解决整容带来的无法辨别的问题？在如今整容手段如此先进的情况下？ 其一，应用“人脸识别”技术的视频采集机器设备愈来愈普及化，会否对大家的人身自由权与隐私权产生威协，这个问题如何解决？其二，人工智能的市场应用，会否产生新的岐视与不公平，并对人们具有的社会道德纪律产生挑战？ 例如：一些商业算法在识别肤色较深的人员和女性方面不如识别肤色较浅的男人准确。

基于MATLAB的人脸识别

基于ＭATＬAB的人脸识别

————————————————————————————————作者: ————————————————————————————————日期:

图像识别 题目:基于MＡTＬAB的人脸识别 院系:计算机科学与应用系 班级: 姓名： 学号： 日期：

设计题目基于MAＴLAＢ的人脸识别设 计技术参数 测试数据库图片10张训练数据库图片20张图片大小１02４×7６8 特征向量提取阈值 1 设计要求综合运用本课程的理论知识,并利用MAＴＬAB作为工具实现对人脸图片的预处理,运用ＰCA算法进行人脸特征提取，进而进行人脸匹配识别。 工作量 两周的课程设计时间，完成一份课程设计报告书，包括设计的任务书、基本原理、设计思路与设计的基本思想、设计体会以及相关的程序代码； 熟练掌握Maｔlab的使用。 工作计划第1-2天按要求查阅相关资料文献,确定人脸识别的总体设计思路； 第３-4天分析设计题目，理解人脸识别的原理同时寻求相关的实现算法；第５-８天编写程序代码，创建图片数据库,运用ＰCＡ算法进行特征提取并编写特征脸，上机进行调试； 第9-12天编写人脸识别程序,实现总体功能； 第13-1４天整理思路,书写课程设计报告书。 参考资料1 黄文梅，熊佳林,杨勇编著．信号分析与处理——MATAＬB语言及应用.国防科技大学出版社，2000 2 钱同惠编著.数字信号处理.北京:机械工业出版社，２004 3 姚天任,江太辉编著.数字信号处理．第2版.武汉:武汉理工大学出版社,200０ 4 谢平，林洪彬，王娜.信号处理原理及应用．机械工业出版社，２00４ 5刘敏，魏玲.Mａｔｌａb.通信仿真与应用.国防工业出版社，20０5 6 楼顺天.基于Ｍatlab7．x 的系统分析与设计.西安电子科技大学,200２ 7孙洪.数字信号处理.电子工业出版社，２001 目录 引言?错误!未定义书签。 1 人脸识别技术?错误!未定义书签。 1.1人脸识别的研究内容?错误!未定义书签。 1.1.1人脸检测(Faｃe Dｅｔection）........... 错误!未定义书签。

面部表情识别实验报告分析

面部表情识别实验 实验报告 小组成员： 面部表情识别实验 西南大学重庆 400715

摘要：情绪认知是一种复杂的过程，它包含观察、分析、判断、推理等，是借助于许多线索，特别是借助面部那些活动性更大的肌肉群的运动而实现的。所以，情绪认知的准确度受多种因素的影响。 当我们与他人相互交往的时候，不管是不是面对面。我们都正在不断的表达着情绪，同时又正在观察，解释着的对方做出的表情，在人际交往过程中，情绪的表达和认知是十分的迅速和及时，那么人是借助于哪些表情来认知他人的情绪的呢？情绪识别实际上并不是针对表情本身的，而是针对这它背后的意义。例如：皱眉可能是一种情绪的表现，我们见到这种面部表情就试图解释潜在于它背后的情绪。尖锐，短促，声音嘶哑可能是一种情绪表现，我们听到这种语言表情就试图解释潜在于它背后的情绪捶胸，顿足可能是一种情绪的表现，我们见到这种动作表情就是试图解释潜在于它背后的情绪。对于这个复杂的问题，心理学家曾经做过许多的研究。 面部表情认知的研究可分为两个步骤：第一步是面部表情刺激物的制作或选择，这可以用专门拍摄(录像)或图示来描画，也可以用完全装扮出的活生生的表情或自发的表情等。第二步时对表情进行识别评定。也可以用多种方法，如自由评定法，即让被试自由地对表情给出情绪词汇；或限制评定法，即向被试提供各种提供各种情绪词汇或情绪情境，要求被试只能根据所提供的情绪词汇或者情绪情境进行分类或者匹配等；或参照自由评定法，即向被试提供参考线索（如情境，人格特征等），让其说出所表达的情绪的词汇等。 关键词：情绪表情认知线索

1 前言 传统心理学把情绪列为心理现象的三大方面之一。情绪也是心理学理论体系中一个不可缺少的研究环节。情绪（emotion）是体验，又是反应；是冲动，又是行为；它是有机体的一种复合状态。情绪的表现有和缓的和激动的，细微的和强烈的，轻松的和紧张的等诸多形式，广泛地同其他心理过程相联系。自古以来，科学家们十分注意探讨情绪之奥妙，但与情绪的重要性不相适应的是，长期以来情绪研究一直是心理学尤其是实验心理学研究中的一个薄弱环节。造成这一现象的最主要原因是情绪所特有的复杂性以及由此衍生出来的情绪研究方法学上的困难。我国心理学家孟昭兰（1987）将理论认为面部表情是传递具体信息的外显行为面部表情是提供人们在感情上互相了解的鲜明标记。情绪过程既包括情绪体验，也包括情绪表现，而表情既是情绪的外部表现，也是情绪体验的发生机制；既是最敏锐的情绪发生器，也是最有效的情绪显示器。这就从机制上说明了以面部肌肉运动模式作为情绪标志的根据。 面部表情（facial expression_r）的发生是有其客观的物质基础的：表情按面部不同部位的肌肉运动而模式化，面部反应模式携带着心理学的意义，那就是或快乐、或悲伤等具体情绪。但是，对表情进行测量的原则在于：所要测量的是面孔各部位的肌肉运动本身，而不是面部所给予观察者的情绪信息。该实验将14名被试分为两组进行表情认知的实验，实验目的在于通过实验了解面部表情认知的基本

人脸检测和识别技术的文献综述

人脸识别技术综述 摘要：在阅读关于人脸检测识别技术方面文献后，本文主要讨论了人脸识别技术的基本介绍、研究历史,人脸检测和人脸识别的主要研究方法，人脸识别技术的应用前景，并且总结了人脸识别技术的优越性和当下研究存在的困难。 关键词：人脸识别;人脸检测；几何特征方法;模板匹配方法;神经网络方法;统计方法;模板匹配;基于外观方法; 随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求。人脸识别技术(FRT)是当今模式识别和人工智能领域的一个重要研究方向.虽然人脸识别的研究已有很长的历史,各种人脸识别的技术也很多,但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响,目前还没有一种人脸识别技术是公认快速有效的[1]基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一[2]。 1. 人脸识别技术基本介绍 人脸识别技术是基于人的脸部特征，一个完整的人脸识别过程一般包括人脸检测和人脸识别两大部分，人脸检测是指计算机在包含有人脸的图像中检测出人脸，并给出人脸所在区域的位置和大小等信息的过程[3]，人脸识别就是将待识别的人脸与已知人脸进行比较，得

出相似程度的相关信息。 计算机人脸识别技术也就是利用计算机分析人脸图象, 进而从中出有效的识别信息, 用来“辨认”身份的一门技术.人脸自动识别系统包括三个主要技术环节[4]。首先是图像预处理，由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊、对比度低、区域灰度不平衡等。为了提高图像的质量，保证提取特征的有有效性，进而提高识别系统的识别率，在提取特征之前，有必要对图像进行预处理操作；人脸的检测和定位，即从输入图像中找出人脸及人脸所在的位置，并将人脸从背景中分割出来，对库中所有的人脸图像大小和各器官的位置归一化；最后是对归一化的人脸图像应用人脸识别技术进行特征提取与识别。 2. 人脸识别技术的研究历史 国内关于人脸自动识别的研究始于二十世纪80年代，由于人脸识别系统和视频解码的大量运用，人脸检测的研究才得到了新的发展利用运动、颜色和综合信息等更具有鲁棒性的方法被提出来变形模板，弹性曲线等在特征提取方面的许多进展使得人脸特征的定位变得更为准确。 人脸识别的研究大致可分为四个阶段。第一个阶段以Bertillon，Allen和Parke为代表，主要研究人脸识别所需要的面部特征；第二个阶段是人机交互识别阶段；第三个阶段是真正的机器自动识别阶段；第四个阶段是鲁棒的人脸识别技术的研究阶段。目前，国外多所

人脸识别技术的应用背景及研究现状

人脸识别技术的应用背景及研究现状 文件管理序列号：[K8UY-K9IO69-O6M243-OL889-F88688]

人脸识别技术的应用背景及研究现状1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面： （1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 ??（2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。

?（3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，着名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Compute r Interface Institute，Microsoft Research,英国的Department of Engine ering in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较多。但是由于人脸特征的变化很大，很难得到有效的模板来表示人脸的共性。变形模板在原理上与固定模板相同，但其中包含一些非固定的元素，一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征，如眼

人脸识别主要算法原理

人脸识别主要算法原理 主流的技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。 1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他结合才能有比较好的效果； 2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。 3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。 1. 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。 采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。

可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。 2. 局部特征分析方法（Local Face Analysis） 主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。 3. 特征脸方法（Eigenface或PCA）